低价值任务识别：AI Agent 规划中的"断舍离"

低价值任务识别：AI Agent 规划中的”断舍离”

在近期的 AI Agent 开发实践中，笔者发现一个普遍痛点：我们总想让 Agent 思考得越细致越好，疯狂堆砌规划步骤，结果却适得其反。今天，我们就来聊聊如何在 Agent 任务规划中做减法，用东方哲学智慧破解工程难题。

第一章：缘起——当 AI Agent 陷入”过度规划”的泥潭

过度规划的AI Agent

一个真实案例：智能客服 Agent 的”连环套”

去年我在做一个电商智能客服 Agent 项目时，遇到了一个典型的过度规划案例。Agent 被要求”查询订单状态”，它规划出了以下步骤：

解析用户意图 → 2. 查询用户身份 → 3. 验证登录状态 → 4. 获取订单列表 → 5. 筛选最近订单 → 6. 查询物流信息 → 7. 获取物流轨迹 → 8. 格式化输出 → 9. 用户反馈确认

看似逻辑严密，但实际上步骤 2、3 完全冗余——订单系统本身已绑定用户身份；步骤 6、7 可合并；步骤 8、9 更是多余的前置规划。最终这个 Agent 在 9 步中消耗了 2800+ Token，生成了大量中间结果，而实际只需要 3 步就能完成。

这种”连环套”式的规划并非个例。在 Plan-and-Solve 框架下，当 Agent 规划的执行步骤超过 7-10步 时，任务最终成功率呈指数级下降——从短链路的 85% 骤降至长链路的 32%，这主要归因于误差累积和上下文迷失。

更令人痛心的是，在未经过滤的长链路规划中，约有 30%-40% 的 Token 消耗在生成最终被证明无效或重复的子任务上。按 GPT-4o 的 token 单价计算，这意味着每 100 次任务调用中，有近 30% 的成本被白白浪费。

“断舍离”的工程启发

山下英子在《断舍离》中写道：”断，断绝不需要的东西；舍，舍弃多余的废物；离，脱离对执念的执念。”在 Agent 任务规划中，我们同样需要引入这一理念：

断：断绝无效步骤——那些对最终目标无贡献的伪步骤
舍：舍弃冗余计算——重复的同类操作、不必要的中间验证
离：脱离对”步骤越多越好”的执念——少即是多，从”做加法”转向”做减法”

第二章：剖析——如何定义与识别”低价值任务”

要践行”断舍离”，首先要明确什么是”低价值任务”。在任务分解 (Task Decomposition) 过程中，那些对最终目标贡献度极低、与前置任务高度重复、或因环境状态改变而已失效的分支节点，即为低价值任务。

低价值任务的三种典型模式

通过分析大量 Agent 日志，我总结出三种最常见的低价值任务模式：

模式一：过度验证型——Agent 倾向于做大量”安全检查”和”预先验证”。比如在请求天气数据前先查经纬度、查时区、查海拔，而天气 API 自身已经封装了这些逻辑。这类步骤通常占规划链路的 20%-30%，但实际价值极低。

模式二：幻想依赖型——Agent 规划出一个它认为”应该有”的中间步骤，但实际上该步骤依赖的数据源根本不存在。典型场景：Agent 在写 SQL 查询前先”分析表结构”，但数据库权限并不允许它这样做；或 Agent 打算”查阅用户历史记录”，但系统根本没有这个接口。这类步骤不仅浪费 Token，还会因执行失败引发级联错误。

模式三：重复劳动型——同一类操作被拆分到多个步骤中，比如”提取关键词→关键词去重→关键词排序→关键词匹配”，实际上一个步骤就能完成。这类冗余在 Agent 生成的规划中占比最高，有时可达到规划链路总步数的 40% 以上。

识别机制：动态剪枝 + 价值对齐

识别这些任务，需要引入动态剪枝 (Dynamic Pruning) 和价值对齐 (Value Alignment in Planning) 机制。动态剪枝是指在任务执行前或执行中，通过评估函数实时计算子任务的价值，并提前截断低价值分支；而价值对齐则是确保每一个子任务都严格对齐初始全局目标，防止”为了执行而执行”的目标偏移。

吴恩达曾指出：”Agent 的核心不仅在于规划（Planning），更在于反思（Reflection）与自我修正。”反思机制正是识别并剔除低价值任务的技术基石。实测数据显示，引入类似 Reflexion 的”任务反思与剪枝”机制后，Agent 在复杂推理任务（如 HotpotQA）上的准确率可提升 15%-20%，同时大幅减少 25% 的无效 API 调用。

第三章：实践——构建具备”断舍离”能力的 Agent 规划器

在工程落地中，我们可以在 Plan-and-Solve 框架中引入”价值评估与过滤”节点。以下是一个基于 Pydantic 与 LLM 实现的”任务断舍离”过滤器示例。它让 LLM 扮演审计员，对初步计划进行打分与自动剔除。

from pydantic import BaseModel, Field
from typing import List
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 1. 定义任务评估的数据结构
class TaskEvaluation(BaseModel):
    task_id: int = Field(description="任务ID")
    task_description: str = Field(description="任务描述")
    value_score: float = Field(description="对最终目标的贡献度评分，0.0-1.0")
    is_redundant: bool = Field(description="是否与前置任务重复或冗余")
    keep_reason: str = Field(description="保留或剔除的简短理由")

class FilteredPlan(BaseModel):
    kept_tasks: List[TaskEvaluation] = Field(description="保留的高价值任务列表")

# 2. 构建"断舍离"评估 Prompt
pruning_prompt = ChatPromptTemplate.from_template("""
你是一个严谨的任务规划审计员。请对以下初步生成的任务计划进行"断舍离"审查。
全局目标：{global_goal}
初步计划：{initial_plan}

审查原则：
1. 剔除对全局目标贡献度低于 0.5 的任务。
2. 剔除与前置任务逻辑重复的任务。
3. 剔除因当前环境限制无法执行的任务。

请输出保留下来的高价值任务列表。
""")

# 3. 执行过滤逻辑
llm = ChatOpenAI(model="gpt-4o", temperature=0)
structured_llm = llm.with_structured_output(FilteredPlan)

def apply_danshari(global_goal: str, initial_plan: List[str]):
    # 让 LLM 执行断舍离逻辑，输出结构化结果
    filtered_result = structured_llm.invoke(
        pruning_prompt.format(global_goal=global_goal, initial_plan=initial_plan)
    )
    # 仅返回保留的高价值任务描述
    return [task.task_description for task in filtered_result.kept_tasks]